智元发布 WITA-Omni：行业首个具身全模态端到端交互大模型

技术上，WITA-Omni 采用流式全双工架构，可边听、边想、边应、边动、边做表情，交互响应最快约 400 毫秒、平均约 600 毫秒，官方称较业内平均水平快近 3 倍。全模态拒识机制结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文判断是否回应，去掉唤醒词，并降低多人交谈与环境广播造成的误触发。模型支持上百种语言和方言免切换交流，可做流式同声传译和双向互译，还能在面部屏幕实时绘制内容进行可视化讲解。

情感表达方面，模型结合参数化面部表情、声音和肢体动作，可呈现开心、惊讶、悲伤等几十种情绪并区分强度。此前 7 月，WITA-Omni Preview 以 85.21 分登顶 DailyOmni 全模态理解榜单，超过千问、Gemini、豆包、英伟达等模型，并在八项细分指标中六项第一。

号称行业首个具身全模态端到端交互大模型，智元发布 WITA-Omni

IT之家 11 月 10 日消息，“智元 AGIBOT”公众号今天（10 日）晚间发文宣布，智元正式发布 WITA-Omni（硅光动语全模态大模型）。 根据官方介绍，该模型也是 行业首个具身全模态端到端交互大模型 。WITA-Omni 基于机器人本体感知数据深度训练，除了音视频输入输出，还新增支持 触觉、本体状态等输入 ，以及 机器人动作、表情等输出 ，让机器人第一次拥有为物理世界而生的“交互大脑”。 基于流式全双工架构，WITA-Omni 可做到 边听、边想、边应、边动、边做表情 ，减少传统串行处理中的等待。交互响应最快约 400 毫秒、平均约 600 毫秒，较业内平均水平快近 3 倍。 同时，全模态拒识让机器人交互 不再需要唤醒词，全程自然对话 。系统结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文，决策当前发言是否需要回应。面对多人交谈或环境广播等干扰时，极大降低误触发，让机器人更懂“看场合”。 WITA-Omni 支持上百种语言和方言的免切换自由交流，并结合全双工架构，实现了流式同声传译（语言传译 & 方言传译），以及双向互译。 WITA-Omni 情感表现力更加拟人。倾听时，机器人能够通过细腻的表情和自然的头部动作给予回应；表达时，结合参数化的面部表情、富有感染力的声音与协调的肢体动作， 生动呈现开心、惊讶、激动、悲伤、满意、痛哭、认真与自信等几十种情绪 。每种情绪还能展现不同强度：同样是开心，既可以浅浅一笑，也可以开怀大笑，让对话更真实、更有温度。 WITA-Omni 不仅能说、能看、能动，还能画。例如，想讲一个复杂产品时，或想给孩子讲一个科普小知识时，WITA-Omni 会智能决策， 将一言难尽的内容在面部屏幕实时可视化出来 ，让用户一目了然。 此外，WITA-Omni 能够持续感知周围环境、用户状态及其变化，自主思考、决策并采取行动， 在恰当时机主动发起互动 。官方宣称，机器人也能有自己的“小心思”：见到贵宾，会主动欢迎、伸手握手；收到点赞，会开心回应；看到用户挥手告别，也会立刻挥手相送。 据IT之家此前报道，今年 7 月，WITA-Omni Preview 模型以 85.21 分综合成绩登顶登顶 DailyOmni 全模态理解榜单，超过千问、Gemini、豆包、英伟达等国内外领先模型，并在八项细分指标中的六项取得第一。 相关阅读： 《 全球第一，智元 WITA-Omni Preview 具身大模型登顶 DailyOmni 全模态理解榜单 》

本条情报归属 AITOP「模型」核心栏目，重点聚焦中国 AI 产业与国产大模型生态。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：智元、WITA-Omni、具身智能、多模态，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明：本文原始线索采编自「IT之家」，经 AITOP 多维评分管线结构化提炼。